将时间序列转成图像——希尔伯特-黄变换方法 Matlab实现

目录

1 方法

2 Matlab代码实现

3 结果


【若觉文章质量良好且有用,请别忘了点赞收藏加关注,这将是我继续分享的动力,万分感谢!】

其他:

1.时间序列转二维图像方法及其应用研究综述_vm-1215的博客-CSDN博客

2.将时间序列转成图像——短时傅里叶方法 Matlab实现_vm-1215的博客-CSDN博客

3.将时间序列转成图像——小波变换方法 Matlab实现_vm-1215的博客-CSDN博客

1 方法

前面提到的信号处理方法基本都受到傅里叶理论的影响,不能很好的处理不规则的信号,因此,1998年Norden E. Huang 等人[9]提出经验模态分解方法,并引入Hilbert谱的概念和Hilbert谱分析方法,称为希尔伯特-黄变换(Hilbert-Huang Transform, HHT)。

希尔伯特-黄变换主要包括两个阶段,分别是经验模态分解(EMD)和Hilbert变换(HT)。经验模态分解流程为:

  1. 找到信号的极大值和极小值找到信号的极大值和极小值,通过三次样条拟合得到上、下包络线,计算其均值得;
  2. 得到第一个分量, 检查其是否满足模态分量的条件:
    • 得极大值点与过0点数量相差不超过1个;
    • 的上、下包络线均值恒为0。如不满足,重复操作1、2直至得到满足模态函数(IMF)条件的模态分量。
  3. 原始信号减去第一个模态分量,得到信号,将当成新的“原始信号”,重复以上操作,直至筛选条件小于预设值时,经验模态分解结束。这样原始信号便分成若干经验模态分量和一个残余信号:。

相较于短时傅里叶变换和小波变换,HHT得到时频图分辨率比较低,具有较好的自适应性。

2 Matlab代码实现

clc
clear
close all
% load signal.mat
%% 输入数据
% 实验数据
% ts = 0:0.001:0.6;
% fs = 1000;
% x = cos(2*pi*20*ts) + 2*cos(2*pi*100*ts);
% N = length(x);

% 时间检测数据
speed = xlsread('3_1_link6_28_5_30min.csv');
% speed = xlsread('3_1_link1_1_5_30min.csv');

x = speed';
x = (x - min(x)) / (max(x) - min(x));
M = length(x);
fs = 500;

% x = cos(2*pi*20*ts) + 2*cos(2*pi*100*ts);
% fs = 500000000;
% load signal;
% x = signal;
N = length(x);

%% EMD和HT
[imf,residual,info]=emd(x,'Interpolation','pchip','Display',0);
figure()
hht(imf,fs);
% 横轴表示时间、纵轴表示频率,颜色表示能量
[hs, f, t, imfinsf, imfinse] = hht(imf,fs);
% hs——信号的希尔伯特谱(Hilbert Spectrum )
% f——信号的频率向量(Frequency vector of signal)
% t——信号的时间向量(Time vector of signal)
% imfinsf——每个imf的瞬时频率(instantaneous frequency of each imf)
% imfinse——每个imf的瞬时能量(instantaneous energy of each imf)
im = figure(1);

3 结果

【若觉文章质量良好且有用,请别忘了点赞收藏加关注,这将是我继续分享的动力,万分感谢!】

你可能感兴趣的:(matlab,开发语言,时频分析,HHT,时间序列)